[發明專利]一種改進的小波ICA去噪方法

在審

• 申請號: 201310001893.7
• 申請日: 2013-01-05
• 公開（公告）號: CN103150706A
• 公開（公告）日: 2013-06-12
• 發明（設計）人: 劉惠山;路孝君;陳懷友
• 申請（專利權）人: 山東華戎信息產業有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 濟南舜源專利事務所有限公司 37205
• 代理人: 商金婷

技術領域

本發明涉及圖像去噪技術領域，具體地講，涉及一種改進的小波ICA去噪方法。?

背景技術

目前比較流行的低通濾波器方法主要通過平滑方法達到去噪的目的，而平滑方法會造成目標邊緣模糊現象。在這些方法中，基于傅立葉變換的去噪方法主要工作在頻域，基于小波變換的方法在頻率和空間域上都有應用，但這兩種方法的數據都不具備適應性。而在圖像去噪過程中，如果濾波方法的數據具有適應性，會產生比較準確的結果，這主要是因為圖像的去噪算法依賴于含噪圖像的類型，因此算法的數據適應性在圖像去噪中起到關鍵作用，而ICA方法恰恰具備數據適應性的本質特點。在武器系統中，光學設備獲取的圖像通常被白高斯噪聲污染，這是不同的圖像捕捉方法造成的，該噪聲包含了可見光波段的所有頻率成分。?

如何用ICA方法來消除比較復雜的噪聲是目前研究界重點研究的問題，通常是對圖像噪聲的數量進行定量測量，先假設噪聲圖像的在特定范圍內的變化已知，或通過不同的計算方法和優化方法得到。?

去噪算法通常對噪聲的數量以及圖像采樣窗口的大小依賴性較強。如果采樣窗口大，計算復雜度增加，算法的實施比較困難；反之，如果采樣窗口較小，計算復雜度會降低，算法比較容易實現。同時，采樣窗口的大小也會影響處理過程中引入的噪聲數量。雖然大部份的算法也比較去噪前后的圖像均方差BP以及信噪比SNR，但與視覺質量相比，這些定量計算的直觀性要差一些。目前比較流行的?ICA方法主要包括以下幾種：?

(1)適應性PCA方法?

主成份分析是線性數據適應變換技術，大家比較熟悉的是Hotelling變換。假定數據的維數為m，變換子空間的維數為n，則需要確定正交向量w_i，(i＝1,2,3…,n)。首先在上一步發現的方向上進行正交，然后找到數據最大差異的方向，再進行優化獲得主成份，其數學表達式為：?

w_i＝arg?maxw_iE{(w_i^Tx)²}????(1)?

最大差異查找的限制條件為：?

w_i^Tw_j＝0,j<I????(2)?

||w_i||=1????(3)?

通過計算相關矩陣C_x=E{x?x^t}的特征向量來查找主成份方向矢量，該矩陣降低了相應特征值的序數，在這里特征值為特征向量方向上的差異。特征向量?

λ_i表示為?

λ_i＝E{(w_i^Tx)²}????(4)?

通過得到的主成份向量w_i構造矩陣W，則向量w_i^T為矩陣W的第i行，此時PCA變換矩陣為W。該變換可以通過現成的應用軟件如計算無關向量、主成份降維等完成，從而作為ICA方法的預處理。可適應PCA技術主要用來產生2D的基集，其內的向量沿著邊而不與其相交。選擇2D局部可適應性基集，2D基函數通過主成分方法在采樣窗口中產生，最大的特征向量在局部圖像的邊緣方向產生，通過局部適應主成份分析技術，經系數閾值過濾后，再進行逆變換重構降維后的圖像。在圖像的不同位置，局部基主成分需要重新計算。?

處理時首先估計圖像中存在的噪聲，噪聲圖像表示為：?

Y＝X＋n????（5)?

其中，Y是噪聲圖像觀察數據，X為去噪后圖像或者來源圖像，n為圖像存在的噪聲，通常為零均值和方差為σ的白高斯噪聲，?

圖像被分割成重疊的塊，每個塊都包含訓練域，去噪后的域和重疊域如圖1?所示。Y的主要成份是局部適應基函數，Y是由局部噪聲圖像塊組成的觀測圖像塊，圖像塊的大小是M像素，即I=1,2,……M，矩陣Y中列數為M×M，矩陣Y的整體維數為M²×N，N為塊的數量，主成份系數方差通過最大相似估計方法來計算。?

基降維比小波降維更高效，在可見光圖像中，算法擁有固定的轉換模式，若去噪幅度過大，即使用改善的PSNR算法，去噪后的圖像包含的噪聲也非常明顯。為了使噪聲在不同的區域均勻分布，通常使用重疊域進行處理。表1顯示四種方法在噪聲方差σ=50、25以及15時對四幅測試圖像的效果。?

表1不同噪聲方差的PSNR(dB)的比較?